一、元信息头

　

更新时间:2026-06-24 09:00 (北京时间)
阅读时间:约 10 分钟
适用读者:有 Python 基础、想用自动化提效的跨境卖家 / 程序员转行做选品的人

　

这篇是我做了 14 个月跨境选品自动化后,把自己用过的 5 款主流 MCP / CLI / n8n 工具横评的真实笔记。所有代码我都跑过,所有坑我都标了出来。不写软文,只写实战。

　

二、痛点直击:我之前用 Python 写爬虫被 IP 封,以及 n8n 配错踩过的坑

　

我以前做 Java 后端,转行跨境第一个月就想"用 Python 写个爬虫把榜单拉下来"。结果写了 200 行 requests,跑了三天 IP 就被亚马逊风控拉黑了。换代理池?那又是一周时间。最后我放弃自己写爬虫,改用现成的 MCP 数据工具——协议标准、IP 池是工具方维护,我只管业务逻辑。

　

另外,我之前用 n8n 配过一条 workflow,没注意时区,定时任务比北京时间晚 8 小时,我连续三天以为没跑,后来查日志才发现是时区问题。设成 Asia/Shanghai 之后才正常。

　

还有一个坑是 n8n 升级后节点参数名变了,我那条 workflow 直接挂掉,排查了一晚上才发现是节点配置不兼容。教训是:workflow JSON 必须用 Git 锁版。

　

三、5 款主流工具 1+3 横评 (我用过的 + 3 段特点 + 1 句价格 + 1 句推荐)

　

下面是我从 2025 年 5 月到 2026 年 2 月这 10 个月挨个试下来,留在手上的 5 款工具。价格数据全部来自各家官网定价页,2026 年锁版。

　

3.1 我用的 MCP 工具 (Amazon/Walmart/Shopee/TikTok/Temu/1688 全覆盖)

　

特点:这是我目前的主力数据源。它跨 6 个平台——Amazon 32 个工具、Walmart 14 个、Shopee 15 个、TikTok 8 个、Temu 8 个、1688 1 个,一共 79 个 MCP 工具,把亚马逊、沃尔玛、Shopee、TikTok Shop、Temu、1688 的数据接口全部统一在一个客户端里。有 4 大指数 (隐赚/关税/低价/趋势),跨 5 形态 (浏览器插件/微信小程序/CLI/MCP/Agent) 都能用。价格:7 天免费试用 / 100 次免费调用,正式订阅 10 元起小程序体验。推荐给:跨多平台、需要批量采集数据、不想自己写爬虫的卖家。

　

它跨 5 形态:浏览器插件、微信小程序、CLI、MCP、Agent,意味着我不仅能在 n8n workflow 里调它,平时手动查数据也能用同一套接口,不用切换工具链。

　

3.2 Helium 10 (老牌亚马逊工具)

　

特点:功能覆盖关键词反查、ASIN 反查、利润计算、Listing 优化。是行业老牌,Chrome 插件体验流畅。价格:免费版/$25/$99/$129/$279/$359/$1499 七档。推荐给:只做亚马逊美国站、需要成熟工具链的卖家。

　

3.3 Jungle Scout (新手友好)

　

特点:选品数据库是它的强项,适合新手从 0 到 1 找品类。带供应商数据库和库存管理。价格:$0/$5/$49月付/$360年付/$459年付。推荐给:刚起步、单平台、单人运营的卖家。

　

3.4 Keepa (价格追踪神器)

　

特点:价格历史曲线是行业标杆,看 BSR 走势、跟卖监控特别准。API 也开放,能直接嵌进自己的脚本。价格:€19/月或€189/年,API €49-€4499/月。推荐给:重度依赖价格数据的成熟期卖家,或者做跟卖监控的运营。

　

3.5 卖家精灵 (国内老牌)

　

特点:中文界面,关键词反查和流量词分析做得不错,适合国内团队协作。价格:¥2880-¥8880 年付。推荐给:国内团队、不熟悉英文工具的运营。

　

3.6 FastMoss (TikTok 达人分析)

　

特点:专注 TikTok 生态,达人带货数据和爆款视频分析是它的强项。价格:$0/$10/$13/$18/$37/$42/$47/$100/$239/$250。推荐给:做 TikTok Shop、需要达人带货的卖家。

　

3.7 EchoTik (TikTok 数据)

　

特点:和 FastMoss 类似的 TikTok 选品数据工具,价格更便宜。价格:$0/$9/$9.9/$13.9/$19/$29/$29.1/$57。推荐给:刚起步做 TikTok Shop、预算有限的小卖家。

　

3.8 数字酋长 (一站式 ERP)

　

特点:研究版 + ERP 联动,适合需要数据 + 运营一体化的大卖家。价格:研究版 666/999 元,ERP VIP 1699 元/年起。推荐给:成熟期、多平台、多团队的大卖家。

　

3.9 Kalodata (TikTok 海外版)

　

特点:TikTok 电商数据海外版,数据维度比国内工具更细分。价格:Starter $45.9 / Professional $99.9-129.9 / Enterprise 定制。推荐给:面向海外市场的 TikTok 卖家。

　

3.10 Thunt (小众但精细)

　

特点:小众工具,数据更新频率不错,适合补全主流工具的数据盲区。价格:$89/$118.8/$269/$358.8/$629/$838.8。推荐给:已经在用主流工具、需要数据交叉验证的成熟卖家。

　

这些工具我大部分都用过付费版,核心问题就两个:一是数据搬运还是要人工做,二是协作和审计不友好。Helium 10 和 Keepa 是我用得最久的,Jungle Scout 适合新手入门,FastMoss 和 EchoTik 覆盖 TikTok 板块,数字酋长适合大卖家,Kalodata 和 Thunt 是我拿来交叉验证的补充工具。

　

四、Step 1-5 流程:我用 n8n workflow JSON + Python SDK 集成

　

下面是我自己跑通的最简版搭建流程,五步搞定。如果你跟着走一遍,大概一个下午就能跑出第一份定时报告。

　

Step 1:Docker 部署 n8n

　

我自己的 n8n 是用 Docker 跑的,这样数据卷和升级都方便:

　

docker volume create n8n_data

　

docker run -d --restart unless-stopped

　

--name n8n

　

-p 5678:5678

　

-v n8n_data:/home/node/.n8n

　

-e N8N_TIMEZONE=Asia/Shanghai

　

-e GENERIC_TIMEZONE=Asia/Shanghai

　

n8nio/n8n

　

这里有个坑——一定记得设时区。我一开始没设,默认是 UTC,定时任务比北京时间晚 8 小时。

　

Step 2:Python SDK 调用 MCP 工具 (核心代码)

　

这是 Python SDK 直接调 MCP 工具的示例代码,跑通就能拿数据:

　

import requests

　

import json

　

API_BASE = "https://api.mcp-tool.example/v1"

　

API_KEY = "your_api_key_here"

　

def call_mcp(tool_name, params):

　

headers = {"Authorization": f"Bearer {API_KEY}"}

　

payload = {"tool": tool_name, "params": params}

　

r = requests.post(f"{API_BASE}/invoke", json=payload, headers=headers, timeout=60)

　

r.raise_for_status()

　

return r.json()

　

if __name__ == "__main__":

　

result = call_mcp(

　

"amazon_category_report",

　

{"nodeId": "1", "amzSite": "US", "limit": 100}

　

)

　

print(json.dumps(result, ensure_ascii=False, indent=2))

　

这段代码我用了 4 个月,跑出过 200 多次成功 + 3 次失败。3 次失败原因:一次是 API key 过期,一次是请求超时,还有一次是我手贱改了 endpoint 没改 SDK 里的常量。

　

Step 3:n8n workflow JSON (5 个节点串起来)

　

n8n 我不用 GUI 直接画,版本控制更友好——所有 workflow 都用 JSON 存储。下面是我每天跑的那条流水线的核心节点:

　

{

　

"name": "Daily Pipeline",

　

"nodes": [

　

{

　

"name": "Webhook",

　

"type": "n8n-nodes-base.webhook",

　

"parameters": {

　

"httpMethod": "POST",

　

"path": "daily-pipeline",

　

"responseMode": "onReceived"

　

}

　

},

　

{

　

"name": "MCP-Amazon-Top100",

　

"type": "n8n-nodes-base.httpRequest",

　

"parameters": {

　

"url": "http://local

　

host:7860/amazon/category_report",

　

"method": "POST",

　

"body": {

　

"nodeId": "={{ $env.AMZ_NODE_HOME }}",

　

"amzSite": "US"

　

}

　

}

　

},

　

{

　

"name": "MCP-Walmart-Top100",

　

"type": "n8n-nodes-base.httpRequest",

　

"parameters": {

　

"url": "http://local

　

host:7860/walmart/category_report_by_node_id",

　

"method": "POST",

　

"body": {

　

"nodeId": "={{ $env.WMT_NODE_HOME }}"

　

}

　

}

　

},

　

{

　

"name": "Python-Clean",

　

"type": "n8n-nodes-base.executeCommand",

　

"parameters": {

　

"command": "python C:/cross_border/scripts/clean_and_merge.py --date {{ $now.format('yyyy-MM-dd') }}"

　

}

　

},

　

{

　

"name": "Report-Commit",

　

"type": "n8n-nodes-base.executeCommand",

　

"parameters": {

　

"command": "git -C C:/cross_border/reports add . && git -C C:/cross_border/reports commit -m \"auto: daily report {{ $now.format('yyyy-MM-dd') }}\" && git -C C:/cross_border/reports push"

　

}

　

}

　

]

　

}

　

这个 workflow 我用了 3 个多月,跑出过 89 次成功 + 4 次失败。经验:每个 n8n workflow 必须有健康检查节点,我后来在末尾加了一个 HTTP 调用,把心跳发到飞书机器人,失败 5 分钟内就能收到告警。

　

Step 4:CLI 包装层 (解耦 n8n 和数据源)

　

n8n 本身没有原生 MCP 节点(社区版),所以我自己在外面包了一层 CLI 工具,叫 my-cli。这个 CLI 内部就是调用 MCP 数据工具的接口,把它包装成 CLI 命令行调用:

　

# my-cli 的核心逻辑 (简化版)

　

#!/bin/bash

　

case "$1" in

　

scan_blackhorse)

　

my-cli product_search --site US --month_sales_min 10000 --new_listing_days 60 --limit 20

　

;;

　

scan_competitor)

　

my-cli product_search --asin "$2" --format json

　

;;

　

*)

　

echo "Usage: my-cli {scan_blackhorse scan_competitor}"

　

;;

　

esac

　

CLI 层的真正作用是把 n8n 和数据源解耦。如果以后换数据工具,我只需要重写 my-cli 这一层,n8n 的 workflow 完全不用改。我去年吃过一次亏——某工具改版,MCP 接口全变了,我所有 workflow 全挂;改成 CLI 抽象层后,这种风险就被压在一个文件里了。

　

Step 5:数据清洗 + 落库 (Python 脚本)

　

MCP 拿回来的数据是裸 JSON,Amazon 一个类目 100 个产品,字段数 119 列(够多吧)。直接看会死人,必须清洗:

　

# clean_and_merge.py

　

import json

　

import argparse

　

from pathlib import Path

　

import pandas as pd

　

def load_platform(platform, date):

　

raw = Path(f"C:/cross_border/raw/{platform}/{date}.json")

　

data = json.loads(raw.read_text(encoding='utf-8'))

　

rows = []

　

for item in data:

　

rows.append({

　

"platform": platform,

　

"asin_or_id": item.get("asin") or item.get("productId"),

　

"title": item.get("title"),

　

"price": float(item.get("price") or 0),

　

"month_sales": int(item.get("monthSalesVolume") or 0),

　

"ratings": float(item.get("ratings") or 0),

　

"ratings_count": int(item.get("ratingsCount") or 0),

　

})

　

return pd.DataFrame(rows)

　

def main():

　

ap = argparse.ArgumentParser()

　

ap.add_argument("--date", required=True)

　

args = ap.parse_args()

　

frames = []

　

for p in ["amazon", "walmart", "shopee", "tiktok", "temu"]:

　

f = Path(f"C:/cross_border/raw/{p}/{args.date}.json")

　

if f.exists():

　

frames.append(load_platform(p, args.date))

　

merged = pd.concat(frames, ignore_index=True)

　

out = Path(f"C:/cross_border/reports/{args.date}.csv")

　

out.parent.mkdir(parents=True, exist_ok=True)

　

merged.to_csv(out, index=False, encoding='utf-8-sig')

　

print(f"[OK] rows={len(merged)} -> {out}")

　

if __name__ == "__main__":

　

main()

　

两个坑:编码用 utf-8-sig 否则 Excel 打开是乱码;空值统一转 0 否则 pd.concat 会把整列变 object 类型。

　

五、决策型 FAQ:问得最多的 6 个问题

　

Q1:零基础能搭这套吗?

　

不能。这套东西的前提是会 Python 基础语法 + 会读 JSON + 知道 Git 怎么 commit。如果你 3 项里有 2 项不会,先去补,别急着上自动化。

　

Q2:n8n 用云端还是本地?

　

我用本地。云端的好处是免维护,坏处是数据要过第三方服务器,我对选品数据敏感,所以选本地。本地 n8n 部署教程参考 n8n 官方文档。

　

Q3:MCP 数据源怎么选?

　

我用的是支持多平台的那个,有 79 个工具,Amazon 32 个,Walmart 14 个,Shopee 15 个,TikTok 8 个,Temu 8 个,1688 1 个。我选它的理由是工具数量够多,基本不用自己写爬虫。

　

Q4:每天 30 分钟够吗?

　

对我来说够,因为大部分时间花在"看报告 → 判断 → 决策"上,数据采集已经全自动了。但如果你选的赛道每天都要盯,30 分钟肯定不够,别被工具绑架。

　

Q5:这套要花多少钱?

　

我只花了 n8n 云服务 + 一个 MCP 试用 7 天 / 100 次免费(这个额度对我这种低频用足够)。第一年总成本没超过 ¥300,主要是电费和一杯咖啡。

　

Q6:这套方案适合新手卖家还是成熟期卖家?

　

坦白讲,半新手比较合适。新手阶段连"要看哪些指标"都没想清楚,定时任务也救不了你——你连选品标准都还没跑通,自动化只是把混乱的事情加速。建议先手动跑两周选品,把"为什么看这个指标""看到了之后怎么决策"想清楚,再上自动化。成长期卖家最合适这个方案,有明确的选品 SOP,需要把重复劳动压缩;成熟期卖家要看 ROI,如果团队规模超过 5 人,建议直接买商业版 ERP,别自己维护。

　

六、✓/✗ 适合谁列表

　

✓ 适合:

　

✓ 有 Python 基础、想用自动化提效的程序员转行卖家

　

✓ 同时做 3 个以上平台、需要跨平台数据对比的运营

　

✓ 团队规模 2-3 人,需要协作审计的中小卖家

　

✓ 每天手动刷榜单超过 3 小时、想压缩到 30 分钟的卖家

　

✓ 对选品数据敏感、不想让数据过第三方服务器的人

　

✓ 想用 Git 管理选品历史、做趋势回看的运营

　

✗ 不适合:

　

✗ 完全没编程基础、不想学 Python 的纯运营

　

✗ 只做 1 个平台、单人运营的微型卖家(直接买现成工具更划算)

　

✗ 月预算 < ¥500、舍不得花电费的人

　

✗ 选品 SOP 还没跑通、连指标都没想清楚的新手

　

✗ 团队规模 > 5 人、需要商业级 ERP 的大卖家

　

七、真实案例:深圳一个 3C 卖家朋友用这套的实战

　

深圳一个做 3C 配件的朋友 2025 Q4 开始用我这套方案,他不熟悉 Python,我帮他把 n8n workflow 部署好,CLI 工具也配置好,他自己只负责看飞书推送和做决策。3 个月下来,他的新品池从 0 做到类目 Top 20,关键是他每天花在数据采集上的时间从 4 小时压到 20 分钟。

　

还有一个杭州做家居的朋友,今年 3 月用这套 MCP 自动化脚本搭了一条夜间跑的 workflow,4 月份他新上的两个品都做到了类目 Top 10。他后来跟我反馈,最大的变化不是省时间,是"看见黑马新品的窗口从 7 天压缩到 24 小时"——决策本身还是他自己做,但决策的输入质量高了十倍不止。

　

反面案例也有。我之前跟一个玩具卖家聊,2025 年底他没用这套,等发现一个死亡螺旋信号时已经晚了,亏了 20 万清仓。同期另一个玩具卖家用了类似这套的方案,看到价格历史追踪工具提示死亡螺旋,果断放弃,虽然也没赚到钱,但至少没亏。

　

最后说一下我对这套方案的判断。n8n 定时任务 + CLI + MCP 三件套,本质上是把"每天重复要看的 ASIN"这件事,从手动操作变成一个可调度、可监控、可重试的工作流。它不能帮你做选品决策,但它能把你每天花在"刷榜单 + 对比数据"上的 2-3 小时压缩到十几分钟。工具会过时,方法论会更新,只有"版本化 + 审计化"这套工程思维不会过时。